Publicación:
Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11

Vista sencilla de ítem
dc.contributor.advisorCaicedo Castro, Isaac
dc.contributor.authorArgüelles Monterrosa, Carlos de Jesús
dc.contributor.authorMeléndez Armella, Lila Vanessa
dc.contributor.juryBarreiro Pinto, Francisco Ricardo
dc.contributor.juryGarcía Hoyos , Rodrigo
dc.date.accessioned2023-12-21T02:42:00Z
dc.date.available2023-12-21T02:42:00Z
dc.date.issued2023-12-20
dc.description.abstractEste trabajo proviene de la carencia de orientación vocacional para los jóvenes Colombianos acerca de la elección de una carrera de pregrado acorde a sus aptitudes. Por lo tanto, nos encaminamos a diseñar un sistema inteligente que permita identificar las aptitudes para el estudio de carreras STEM basado en los resultados de las pruebas estandarizadas Saber 11 en la Universidad de Córdoba. Para lo cual, realizamos una encuesta de la cual obtuvimos 84 observaciones, que fue dirigida a una diversidad de estudiantes de distintas facultades y/o carreras, sobre todo de ingeniería, quienes ingresaron los resultados que obtuvieron en la Saber 11, las cuales son un requisito para ingresar a la educación superior en Colombia. A partir de los datos se evaluaron modelos de aprendizaje automático con la finalidad de encontrar la dependencia funcional entre los resultados y su rendimiento académico en la carrera escogida, medido por el promedio global acumulado (PGA). De los resultados de la evaluación de estos modelos, obtuvimos una exactitud de 75 %, una precisión de 66,19 %, una sensibilidad de 84,13 % y una media armónica (F1) de 72,04 % con el modelo Naïve Bayes. Esto marca un inicio significativo para la implementación del aprendizaje automático en el ámbito educativo, especialmente en las universidades públicas de Colombia. Este avance sienta las bases para investigaciones futuras más precisas que utilicen tecnología con el objetivo de ofrecer orientación más detallada a los jóvenes. Además, la recopilación de datos de la generación actual contribuirá a obtener resultados más exactos.spa
dc.description.abstractThis work stems from young Colombians’ lack of career guidance in choosing an undergraduate career that matches their abilities. Therefore, we set out to design an intelligent system that would allow the identification of aptitudes for STEM (Science, Technology, Engineering, and Mathematics) careers based on the results of the Saber 11 standardized tests at the University of Córdoba. To achieve this, we conducted a survey from which we obtained 84 instances, targeting a diverse group of students from diverse faculties and/or careers, especially in engineering. Participants reported their scores on the Saber 11 test, which is a requirement for admission to higher education in Colombia. From the collected data, we evaluated a few machine learning models to find the functional dependence between the results of each component of the Saber 11 test, and the academic performance in the chosen career, measured by the grade point average (GPA). The results of the evaluation include an accuracy of 75 %, a precision of 66.19 %, a sensitivity of 84.13 %, and an F1 score of 72.04 % from the naive Bayes model. This work represents a significant beginning for the machine learning implementation in the educational field, especially in public universities in Colombia. This advancement lays the groundwork for more precise future research that utilizes technology intending to provide more detailed guidance to young people. In addition, collecting data from the current generation will contribute to obtaining more accurate results.eng
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero(a) de Sistemas
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsAgradecimientos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ispa
dc.description.tableofcontentsResumen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IIspa
dc.description.tableofcontentsAbstract. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IIIeng
dc.description.tableofcontentsListado de tablasspa
dc.description.tableofcontentsListado de figurasspa
dc.description.tableofcontents1. INTRODUCCIÓN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1spa
dc.description.tableofcontents1.1. Descripción y formulación del problema . . . . . . . . . . . . . . . . . . . . . . . 2spa
dc.description.tableofcontents1.1.1. Descripción del problema . . . . . . . . . . . . . . . . . . . . . . . . . . 2spa
dc.description.tableofcontents1.1.2. Formulación del problema . . . . . . . . . . . . . . . . . . . . . . . . . . 5spa
dc.description.tableofcontents1.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5spa
dc.description.tableofcontents1.3. Contribución de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . 7spa
dc.description.tableofcontents1.4. Organización del documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8spa
dc.description.tableofcontents2. OBJETIVOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9spa
dc.description.tableofcontents2.1. General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9spa
dc.description.tableofcontents2.2. Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9spa
dc.description.tableofcontents3. REVISIÓN BIBLIOGRÁFICA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10spa
dc.description.tableofcontents3.1. Aprendizaje Automático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10spa
dc.description.tableofcontents3.1.1. Aprendizaje Supervisado . . . . . . . . . . . . . . . . . . . . . . . . . . . 11spa
dc.description.tableofcontents3.1.2. Aprendizaje No Supervisado . . . . . . . . . . . . . . . . . . . . . . . . . 11spa
dc.description.tableofcontents3.1.3. Aprendizaje Semi-Supervisado . . . . . . . . . . . . . . . . . . . . . . . . 11spa
dc.description.tableofcontents3.1.4. Aprendizaje por Refuerzo . . . . . . . . . . . . . . . . . . . . . . . . . . 11spa
dc.description.tableofcontents3.1.5. Aprendizaje Automático Automatizado (AutoML) . . . . . . . . . . . . . 12spa
dc.description.tableofcontents3.2. Clasificadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12spa
dc.description.tableofcontents3.2.1. Regresión Logística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12spa
dc.description.tableofcontents3.2.2. Naïve Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12eng
dc.description.tableofcontents3.2.3. Árbol de decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13spa
dc.description.tableofcontents3.2.4. Random Forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14eng
dc.description.tableofcontents3.2.5. Extra Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15eng
dc.description.tableofcontents3.2.6. Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . 15eng
dc.description.tableofcontents3.2.7. Quantum Support Vector Machines . . . . . . . . . . . . . . . . . . . . . 16eng
dc.description.tableofcontents3.2.8. Potenciación adaptativa (AdaBoost) . . . . . . . . . . . . . . . . . . . . . 17spa
dc.description.tableofcontents3.2.9. Potenciación del gradiente (Gradient Boosting) . . . . . . . . . . . . . . . 17spa
dc.description.tableofcontents3.3. Métodos de AutoML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18spa
dc.description.tableofcontents3.3.1. Hiperparametrización de parámetros . . . . . . . . . . . . . . . . . . . . . 18spa
dc.description.tableofcontents3.3.2. Meta-aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21spa
dc.description.tableofcontents3.3.3. Búsqueda de arquitectura neural (Neural architecture search) . . . . . . . . 22spa
dc.description.tableofcontents3.4. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22spa
dc.description.tableofcontents4. ESTADO DEL ARTE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25spa
dc.description.tableofcontents4.1. Contexto Internacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25spa
dc.description.tableofcontents4.2. Contexto Nacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27spa
dc.description.tableofcontents4.3. Contexto Regional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29spa
dc.description.tableofcontents4.4. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30spa
dc.description.tableofcontents5. MATERIALES Y MÉTODOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32spa
dc.description.tableofcontents5.1. El conjunto de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32spa
dc.description.tableofcontents5.2. Selección y configuración de algoritmos . . . . . . . . . . . . . . . . . . . . . . . 33spa
dc.description.tableofcontents5.3. Desarrollo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36spa
dc.description.tableofcontents5.3.1. Arquitectura de la aplicación . . . . . . . . . . . . . . . . . . . . . . . . . 36spa
dc.description.tableofcontents5.4. Evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39spa
dc.description.tableofcontents5.4.1. K-Fold Cross Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . 39spa
dc.description.tableofcontents5.4.2. Métricas de Evaluación de Algoritmos . . . . . . . . . . . . . . . . . . . . 40spa
dc.description.tableofcontents5.5. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42spa
dc.description.tableofcontents6. RESULTADOS Y DISCUSIONES. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46spa
dc.description.tableofcontents6.1. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46spa
dc.description.tableofcontents6.1.1. El conjunto de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46spa
dc.description.tableofcontents6.1.2. Evaluación de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46spa
dc.description.tableofcontents6.1.3. Aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49spa
dc.description.tableofcontents6.2. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53spa
dc.description.tableofcontents7. CONCLUSIONES. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55spa
dc.description.tableofcontents8. RECOMENDACIONES. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57spa
dc.description.tableofcontents9. BIBLIOGRAFÍA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58spa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Universidad de Córdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co/
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/8001
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ingeniería
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programIngeniería de Sistemas
dc.relation.referencesAlqurashi, E. (2019, enero). Predicting student satisfaction and perceived learning within online learning environments. Distance Education, 40(1), 133–148. Descargado 2023-06- 13, de https://www.tandfonline.com/doi/full/10.1080/01587919.2018.1553562 doi: 10.1080/01587919.2018.1553562
dc.relation.referencesAlyahyan, E., y Düştegör, D. (2020, diciembre). Predicting academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17(1), 3. Descargado 2023-06-02, de https://educationaltechnologyjournal .springeropen.com/articles/10.1186/s41239-020-0177-7 doi: 10.1186/s41239-020 -0177-7
dc.relation.referencesAulck, L., Aras, R., Li, L., L’Heureux, C., Lu, P., y West, J. (2017, agosto). Stem-ming the Tide: Predicting STEM attrition using student transcript data. arXiv. Descargado 2023-06-06, de http://arxiv.org/abs/1708.09344 (arXiv:1708.09344 [physics, stat])
dc.relation.referencesBreiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. Descargado 2023-06-28, de http://link.springer.com/10.1023/A:1010933404324 doi: 10.1023/A:1010933404324
dc.relation.referencesCaicedo-Castro, I. (2023). Course prophet: A System for Predicting Course Failures with Machine Learning a Numerical Methods Case Study. IARIA.
dc.relation.referencesCaicedo-Castro, I., Macea-Anaya, M., y Castaño-Rivera, S. (2023). Forecasting Failure Risk in Early Mathematics and Physical Science Couses in the Bachelor’s-Degree in Engineering. IARIA.
dc.relation.referencesCaicedo-Castro, I., Vélez-Langs, O., Macea-Anaya, M., Castaño-Rivera, S., y Castro-Puché, R. (2022). Early Risk Detection of Bachelor’s Student Withdrawal or Long-Term Retention. IARIA Congress 2022 Proceedings.
dc.relation.referencesCastro, P., Ishakian, V., Muthusamy, V., y Slominski, A. (2019, junio). The server is dead, long live the server: Rise of Serverless Computing, Overview of Current State and Future Trends in Re- search and Industry. arXiv. Descargado 2023-11-09, de http://arxiv.org/abs/1906.02888 (arXiv:1906.02888 [cs]) doi: 10.48550/arXiv.1906.02888
dc.relation.referencesCervantes, J., Li, X., Yu, W., y Li, K. (2008, enero). Support vector machine classifi- cation for large data sets via minimum enclosing ball clustering. Neurocomputing, 71(4-6), 611–619. Descargado 2023-11-10, de https://linkinghub.elsevier.com/retrieve/pii/ S0925231207002962 doi: 10.1016/j.neucom.2007.07.028
dc.relation.referencesCortes, C., y Vapnik, V. (1995, septiembre). Support-vector networks. Machine Learning, 20(3), 273–297. Descargado 2023-06-28, de http://link.springer.com/10.1007/BF00994018 doi: 10.1007/BF00994018
dc.relation.referencesCox, D. R. (1958, julio). The Regression Analysis of Binary Sequences. Journal of the Royal Statistical Society: Series B (Methodological), 20(2), 215–232. Descargado 2023-06-28, de https://onlinelibrary.wiley.com/doi/10.1111/j.2517-6161.1958.tb00292.x doi: 10.1111/j.2517-6161.1958.tb00292.x
dc.relation.referencesDANE. (2018, diciembre). Índice de Costos de la Educación Superior (ICES) II Semestre de 2018 (Boletín técnico). Descargado de https://www.dane.gov.co/files/investigaciones/ boletines/icesp/bol_ICES_IIsem18.pdf
dc.relation.referencesDANE. (2020, diciembre). Estructura del mercado laboral y del sistema de precios para la mesa de concertación del Salario Mínimo Diciembre 2020 (Boletín técnico). Descargado de https://www.dane.gov.co/files/investigaciones/boletines/ech/ech/presentacion-estructura-mercado-laboral-y-sistema-precios-para-mesa-concertacion-salario-minimo-2021.pdf
dc.relation.referencesDANE. (2022, diciembre). Índice de Costos de la Educación Superior (ICES) II Semestre de 2022 (Boletín técnico). Descargado de https://www.dane.gov.co/files/investigaciones/boletines/icesp/bol_ICES_IIsem18.pdf
dc.relation.referencesDekker, G., Pechenizkiy, M., y Vleeshouwers, J. (2009). Predicting students drop out : a case study. Proceedings of the 2nd International Conference on Educational Data Mining, EDM 2009, July 1-3, 2009. Cordoba, Spain, 41–50.
dc.relation.referencesEditorial La República. (2019, febrero). Ocho de cada 10 personas en Colombia están insatisfechas en su empleo. Descargado 2023-06-14, de https://www.larepublica.co/alta-gerencia/ocho-de-cada-10-personas-estan-insatisfechas-en-su-empleo-2830069
dc.relation.referencesEl Tiempo. (2022). Es feliz en su trabajo? Índice de felicidad de Iberoamérica dice otra cosa. Descargado de https://www.eltiempo.com/economia/empresas/es-feliz-en-su -trabajo-indice-de-felicidad-de-iberoamerica-dice-otra-cosa-717780
dc.relation.referencesFeurer, M., Klein, A., Eggensperger, K., Springenberg, J., Blum, M., y Hutter, F. (2015). Efficient and robust automated machine learning. En Advances in neural information processing systems 28 (2015) (pp. 2962–2970).
dc.relation.referencesFreund, Y., y Schapire, R. E. (1996). Experiments with a new boosting algorithm. En International conference on machine learning (pp. 148–156). Descargado de http://citeseerx.ist.psu .edu/viewdoc/summary?doi=10.1.1.51.6252
dc.relation.referencesFriedman, J. H. (2001, octubre). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232. Descargado 2023-11-07, de https://projecteuclid.org/journals/annals-of-statistics/volume-29/issue-5/ Greedy-function-approximation-A-gradient-boosting-machine/10.1214/aos/ 1013203451.full doi: 10.1214/aos/1013203451
dc.relation.referencesGeurts, P., Ernst, D., y Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42. Descargado 2023-11-07, de https://doi.org/10.1007/s10994-006-6226-1 doi: 10.1007/s10994-006-6226-1
dc.relation.referencesGoogle. (s.f.). Google Colaboratory. Descargado 2023-06-30, de https://colab.research .google.com/
dc.relation.referencesHavlicek, V., Córcoles, A. D., Temme, K., Harrow, A. W., Kandala, A., Chow, J. M., y Gam- betta, J. M. (2019, marzo). Supervised learning with quantum enhanced feature spaces. Nature, 567(7747), 209–212. Descargado 2023-11-09, de http://arxiv.org/abs/1804.11326 (ar- Xiv:1804.11326 [quant-ph, stat]) doi: 10.1038/s41586-019-0980-2
dc.relation.referencesIcfes. (2017, diciembre). Marco de referencia de la prueba de Inglés Saber 11.°, Saber TyT y Saber Pro (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).
dc.relation.referencesIcfes. (2019a, enero). Marco de referencia de la prueba de ciencias naturales Saber 11.° (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).
dc.relation.referencesIcfes. (2019b, enero). Marco de referencia de la prueba de matemáticas Saber 11.° (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).
dc.relation.referencesIcfes. (2019c, septiembre). Marco de referencia de la prueba de sociales y ciudadanas Saber 11.° (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).
dc.relation.referencesIcfes. (2021, diciembre). Marco de referencia de la prueba de Lectura Crítica Saber 11.°, Saber TyT y Saber Pro (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).
dc.relation.referencesJimenez-Raygoza, L., Medina-Vazquez, A., y Perez-Torres, G. (2019, octubre). Proposal of a Computer System for Vocational Guidance with Data Mining. En 2019 IEEE Internatio- nal Conference on Engineering Veracruz (ICEV) (pp. 1–5). Boca del Rio, Veracruz, Mexico: IEEE. Descargado 2023-06-06, de https://ieeexplore.ieee.org/document/8920523/ doi: 10.1109/ICEV.2019.8920523
dc.relation.referencesKabathova, J., y Drlik, M. (2021, abril). Towards Predicting Student’s Dropout in University Cour- ses Using Different Machine Learning Techniques. Applied Sciences, 11(7), 3130. Descargado 2023-06-13, de https://www.mdpi.com/2076-3417/11/7/3130 doi: 10.3390/app11073130
dc.relation.referencesMartins, M. P. G., Miguéis, V. L., Fonseca, D. S. B., y Alves, A. (2019). A Data Mining Ap- proach for Predicting Academic Success – A Case Study. En . Rocha, C. Ferrás, y M. Pa- redes (Eds.), Information Technology and Systems (Vol. 918, pp. 45–56). Cham: Springer In- ternational Publishing. Descargado 2023-06-13, de http://link.springer.com/10.1007/ 978-3-030-11890-7_5 doi: 10.1007/978-3-030-11890-7_5
dc.relation.referencesMedina, D. Z., Builes, J. A. J., y Bedoya, A. E. (2022, septiembre). Automatic detection of students at risk of dropping out of school using mRMR and Late Fusion. En 2022 XII International Conference on Virtual Campus ( JICV) (pp. 1–4). Arequipa, Peru: IEEE. Descargado 2023-05- 31, de https://ieeexplore.ieee.org/document/9934262/ doi: 10.1109/JICV56113.2022 .9934262
dc.relation.referencesMohri, M., Rostamizadeh, A., y Talwalkar, A. (2012). Foundations of machine learning. Cam- bridge, MA: MIT Press.
dc.relation.referencesMontiel, E. A. (2019). Elección de carrera: motivos, procesos e influencias y sus efectos en la experiencia estudiantil de jóvenes universitarios de alto rendimiento académico. REencuentro. Análisis de Problemas Universitarios, 30(77), 53–74. Descargado 2023-06-14, de https://www .redalyc.org/journal/340/34065218004/html/
dc.relation.referencesMoreno-Cifuentes, L., y Huertas-Herazo, D. (2019, septiembre). SEGUIMIENTO A GRADUA- DOS DE EDUCACIÓN SUPERIOR 2017. Observatorio laboral para la educación.
dc.relation.referencesPedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... Duches- nay, . (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12(85), 2825–2830. Descargado 2023-06-30, de http://jmlr.org/papers/v12/ pedregosa11a.html
dc.relation.referencesPermana, A. A. J., Dewi, L. J. E., y Setemen, K. (2017, agosto). Recommendation System for Selection of Majors and Apprenticeship on Vocational and Training Education Based on Com- petency to Produce Demand Driven Graduates. En (pp. 153–158). Atlantis Press. Descarga- do 2023-06-14, de https://www.atlantis-press.com/proceedings/icirad-17/25882143 doi: 10.2991/icirad-17.2017.29
dc.relation.referencesPortafolio. (2018). El alto costo de las matrículas universitarias en Colombia. Des- cargado 2023-06-14, de https://www.portafolio.co/economia/el-alto-costo-de-las -matriculas-universitarias-514619
dc.relation.referencesPriya.S, A. S. T. (2017). Comparative study of Naive Bayes classifier and K Nearest Neighbor in imputation of missing values. Special Issue | ASAT in CS’17.
dc.relation.referencesPérez, B., Castellanos, C., y Correal, D. (2018). Predicting Student Drop-Out Rates Using Data Mining Techniques: A Case Study. En A. D. Orjuela-Cañón, J. C. Figueroa-García, y J. D. Arias- Londoño (Eds.), Applications of Computational Intelligence (Vol. 833, pp. 111–125). Cham: Springer International Publishing. Descargado 2023-06-14, de http://link.springer.com/ 10.1007/978-3-030-03023-0_10 doi: 10.1007/978-3-030-03023-0_10
dc.relation.referencesQiskit contributors. (2023). Qiskit: An open-source framework for quantum computing. doi: 10.5281/zenodo.2573505
dc.relation.referencesRebentrost, P., Mohseni, M., y Lloyd, S. (2014, septiembre). Quantum Support Vector Machi- ne for Big Data Classification . Physical Review Letters, 113(13), 130503. Descargado 2023- 11-09, de https://link.aps.org/doi/10.1103/PhysRevLett.113.130503 doi: 10.1103/ PhysRevLett.113.130503
dc.relation.referencesRish, I., y cols. (2001). An empirical study of the naive bayes classifier. En Ijcai 2001 workshop on empirical methods in artificial intelligence (Vol. 3, pp. 41–46).
dc.relation.referencesSchaffer, C. (s.f.). Sparse Data and the Effect of Overfitting Avoidance in Decision Tree In- duction. Descargado 2023-11-10, de https://aaai.org/papers/00147-aaai92-023-sparse -data-and-the-effect-of-overfitting-avoidance-in-decision-tree-induction/
dc.relation.referencesUniversidad de Córdoba. (2004). Reglamento académico estudiantil.. Descargado 2023-11-10, de https://repositorio.unicordoba.edu.co/handle/ucordoba/1552
dc.relation.referencesUniversidad de Córdoba. (2023). Oferta Académica Pregrado. Descargado 2023- 06-29, de https://www.unicordoba.edu.co/index.php/admisiones-y-registro/ oferta-academica-pregrado/
dc.relation.referencesWang, H., Niu, D., y Li, B. (2019, abril). Distributed Machine Learning with a Serverless Archi- tecture. En IEEE INFOCOM 2019 - IEEE Conference on Computer Communications (pp. 1288– 1296). Descargado 2023-11-09, de https://ieeexplore.ieee.org/abstract/document/ 8737391 (ISSN: 2641-9874) doi: 10.1109/INFOCOM.2019.8737391
dc.relation.referencesWillems, J., Coertjens, L., Tambuyzer, B., y Donche, V. (2019, octubre). Identifying scien- ce students at risk in the first year of higher education: the incremental value of non-cognitive variables in predicting early academic achievement. European Journal of Psychology of Edu- cation, 34(4), 847–872. Descargado 2023-06-13, de http://link.springer.com/10.1007/ s10212-018-0399-4 doi: 10.1007/s10212-018-0399-4
dc.relation.referencesWolpert, D., y Macready, W. (1997, abril). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67–82. Descargado 2023-11-09, de https:// ieeexplore.ieee.org/document/585893 doi: 10.1109/4235.585893
dc.relation.referencesWu, G., y Chang, E. (2003). Class-Boundary Alignment for Imbalanced Da- taset Learning.. Descargado 2023-11-10, de https://www.semanticscholar64.org/paper/Class-Boundary-Alignment-for-Imbalanced-Dataset-Wu-Chang/ 6cc64e06b7507142e17fb9e9a63411c8eb272b0b
dc.relation.referencesYadalam, T. V., Gowda, V. M., Kumar, V. S., Girish, D., y M., N. (2020, junio). Career Recommendation Systems using Content based Filtering. En 2020 5th International Conference on Communication and Electronics Systems (ICCES) (pp. 660–665). doi: 10.1109/ICCES48766 .2020.9137992
dc.relation.referencesYou, E. (2014). Vue.js - The Progressive JavaScript Framework. Descargado 2023-06-30, de https://vuejs.org/
dc.relation.referencesZambrano Vizcaino, Y. P., Osorio Salcedo, V., y Barbosa Gutierrez, V. M. (2021, noviem- bre). Desarrollo de una aplicación web para la orientación vocacional y promoción de carre- ras STEM implementando técnicas de Data Mining. Descargado 2023-06-02, de https://manglar.uninorte.edu.co/handle/10584/9857
dc.rightsCopyright Universidad de Córdoba, 2023
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.keywordsVocational guidanceeng
dc.subject.keywordsSaber 11 testeng
dc.subject.keywordsMachine learningeng
dc.subject.keywordsSTEMeng
dc.subject.proposalOrientación vocacionalspa
dc.subject.proposalPruebas Saber 11spa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalSTEMspa
dc.titleDiseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11spa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
ArgüellesMonterrosaCarlosdeJesús-MeléndezArmellaLilaVanessa.pdf
Tamaño:
1.44 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Formato de autorización.pdf
Tamaño:
638.67 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
F.E.A. Trabajos de Investigación y/o Extensión